Files

Domi31tls 9b431494a5 fix(detect): labels structurels Nom de jeune fille / Prénom / Ville (#7 #8 #9 )

Trois nouveaux patterns cœur dans `_mask_structured_line` pour des
labels génériques qui n'étaient pas couverts par le pipeline kv_value
(le split key:value laissait fuir la valeur quand le label dépassait
les patterns existants `RE_EXTRACT_NOM_NAISSANCE`, `RE_EXTRACT_PRENOM`,
`RE_EXTRACT_VILLE_RESIDENCE`).

`RE_LABEL_NOM_VARIANTES` capture :
- Nom de jeune fille / de famille / de naissance(.)
- Nom d'usage / Nom marital / Nom marié

`RE_LABEL_PRENOM` capture :
- Prénom : / Prénoms : / Prénom de naissance / utilisé(e) / usuel
- Capture jusqu'à fin de ligne pour les énumérations virgulées
  (Prénoms : Sabine, Marie → tout masqué).

`RE_LABEL_VILLE` capture :
- Ville : / Ville de résidence : / Ville de naissance :
- Capture jusqu'à fin de ligne (gère "Saint-Jean-de-Luz",
  "Saint-Denis (974)", composés multi-tokens).

Effets de bord positifs :
- Le bug "Saint-Jean-de-Luz → [ETABLISSEMENT]-de-Luz" est corrigé :
  le matcher `RE_LABEL_VILLE` masque toute la valeur en `[VILLE]`
  AVANT que le gazetteer FINESS Aho-Corasick ne grignote "Saint-Jean".
  Cas 006_trackare_soignants et 008_anesthesie_complete : alignement
  des expected.txt sur cette amélioration.

Choix d'architecture (cf cadrage docs/cadrage-projet-anonymisation.md
section 10.1) : ces labels sont des règles cœur génériques applicables
à tout établissement de santé français. Légitimes en hardcodé. Les
patterns layout-specific (Bordeaux suffixe, CHCB en fin de phrase,
email cassé par force_term) seront branchés via admin_rules dans
l'étape suivante.

Cas 010_fiche_admission_minimale passe désormais (retiré de
KNOWN_FAILURES). Le xfail strict aurait signalé xpass.

Tests : 9 passed, 2 xfailed (avant : 8 passed, 3 xfailed sur
test_synthetic_review).

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

2026-04-27 22:30:40 +02:00

cases

fix(detect): labels structurels Nom de jeune fille / Prénom / Ville (#7 #8 #9 )

2026-04-27 22:30:40 +02:00

.gitignore

test(review): étendre couche 2 à 10 cas et brancher gate pytest avec xfail strict

2026-04-27 20:46:22 +02:00

README.md

Externalize dictionaries and add anonymization review corpus

2026-04-21 10:32:57 +02:00

tests.md

Externalize dictionaries and add anonymization review corpus

2026-04-21 10:32:57 +02:00

README.md

Corpus synthétique de revue humaine

Ce corpus ne remplace pas les tests unitaires. Il sert à valider des documents complets, relus par un humain, avec un vrai diff entre :

test.txt : document synthétique source
expected.txt : anonymisation attendue selon la règle métier
actual/ : sortie réellement produite par le moteur

Objectif :

détecter les régressions de composition sur des documents réalistes ;
rendre visibles les écarts de comportement du moteur ;
préparer une validation humaine avant promotion éventuelle en suite bloquante.

Commande :

python3 tools/run_synthetic_review_corpus.py

Chaque exécution écrit :

actual.txt
actual.audit.json
actual.summary.json
diff.txt

Sous actual.